當金融遇到人工智慧：富者越富，窮者愈窮？ @ 豐澤百川全球股匯投資中心部落格

《21世紀資本論》通過詳實的數據研究，提出了一個觀點：20世紀70年代以來，在全球範圍內投資增長率高於經濟增長率。全球範圍內貧富差距擴大，富有者越發富有，而貧窮者愈發貧窮。

錢本身代表了賺錢能力，而當金融遇到人工智慧後，這種能力從過去的粗放式，逐步可以通過大數據、精準計算以及人工智慧的手段，變得穩定而精準。

我們不妨看幾個案例：

高度程式化交易 Virtu Financial LLC 公司在 1238 個交易日中，僅有一個交易日出現了虧損。

第一個以人工智慧驅動的基金 Rebellion 預測了 2008 年的股市崩盤，並在 2009 年 9 月給希臘債券 F 評級，而當時惠譽的評級仍然為 A。通過人工智慧手段 Rebellion 比官方降級提前了一個月。

掌管 900 億美元的對沖基金 Cerebellum 也使用了人工智慧技術，結果從 2009 年以來，沒有一個月是虧損的。

所以有錢人紛紛把資產投入到人工智慧公司，通過專業化的人工智慧投資顧問管理財產。根據花旗銀行的最新研究報告，人工智慧投資顧問管理的資產，2012 年基本為 0，到了 2014 年底已經到了 140 億美元。在未來 10 年的時間裡，它管理的財產還會呈現指數級增長的勢頭，總額達到 5 兆美元。

5兆是什麼概念？中國 2014 年的 GDP 是 10 兆美元，相當於每 2 元就得給機器人上繳 1 元。在這樣的大趨勢下，我們來看看金融產業和人工智慧的結合，背後究竟是怎麼回事。

量化交易的人工智慧趨勢

量化交易近些年一直很火熱，而隨著大數據和人工智慧的興起，它在產品上有越來越大的用處。

量化交易模型的三個類別

最簡單的量化交易以約翰·墨菲的《期貨市場技術分析》為代表，主要用到了指數、對數等簡單數學知識，它更適合於作為輔助手段，最多由電腦發出交易信號，但最後還得人手動下單交易。

層次更高一點的，以丹尼斯的《海龜交易法則》為代表，主要涉及到均值、方差和正態分佈的數學內容，策略上也更有科學性。這是一種基於交易規則的排列組合式交易，如果策略設計的好，而且行情和大趨勢不錯，也能取得不錯效果。

更高一層體現在交易信號的整合上，會涉及到對迴歸分析、神經網絡、支援向量機等傳統技術指標進行整合，同時還需要考慮到金融數據的時間特徵，使用滾動優化來獲取樣本外的測試結果。

基本上可以認為，越高層次的量化交易，背後需要處理越多數據。量化投資公司的持倉時間往往能達到 1 到 2 個星期，要進行這麼長時間的價格趨勢預測，需要處理的信息會非常龐大。

目前一些公司不僅利用傳統的金融數據，甚至利用衛星拍攝到的港口集裝箱圖像等圖片信息，或者從新聞報導、部落格、名人講話中獲得經濟發展的線索。在圖像識別和自然語言處理的技術支持下，很多非結構化的數據也能成為分析對象。

而大數據、非結構化數據以及訓練模型，都需要人工智慧技術介入其中。 FRM 對沖基金在倫敦的負責人 Patric 對此有很好的解釋：

在這個網路時代，我們獲得的數據遠遠超過了人類可能的處理能力。要在這個巨大的信息海洋中分析和識別模式，唯一的辦法就是使用機器學習工具和技術。這是一條發展更優的投資策略路徑。

在對數據的處理上，人工智慧技術擴寬了數據來源，使得有更多數據能夠被納入分析。而在算法上，人工智慧技術也讓金融工具能自動進化交易策略。Rebellion 首席投資官 Alexander 介紹自己的產品說：

我們給了系統20年的全球經濟和市場數據，以及讓它學習現代金融的歷史，讓它找出不同因素是如何影響各資產類別、行業和地區的價格。它不是按照程序遵循任何特定的交易策略，因為我們沒有告訴它去尋找這些。系統會自動識別概念，並在特定市場狀況下，將概念通性能績效聯繫起來。

相比之下，傳統的量化投資方法往往嚴格應用事先設定好的策略，它的基本假設是現在的相關性會無限持續下去。但這往往會造成很大問題，因為市場瞬息萬變。所以人工智慧係統的優勢在於，它能夠隨著舊關係的衰減以及新關係的出現，不斷進化自己的投資策略。

以 Rebellion 的例子看，它在分析了金融和貿易數據後，發現在過去的 18 個月裡，大宗商品和外匯市場週期變短了。所以它會自動重新校準，計算週期變短的影響，以新的策略進行交易。

這是一種對規則的學習過程，人工智慧會在基本原則的基礎上，識別出哪些是真實的規則，哪些是虛假情報。這也許會發現某些套利的機會。

但對於電腦來說，難點經常在於對規則和機會的權重把握。所以 Castilium 採用了模仿專家的方法，選擇某一領域的一群專家，複製他們的決策過程，並導入可重複的計算框架。雖然這樣做費時又費力，但專家系統可以帶來連貫的決定，這很透明，也比較便於理解。

而且相比於專家，人工智慧能應用在更多長尾的市場。我們可以用亞馬遜銷售圖書的方式做比較，由於有限的貨架空間，實體書店必須專注於銷售量大但利潤低的書籍。而亞馬遜有容易擴展的貨架和預測能力，就能從小眾的書籍中獲得超高額利潤。量化投資也能觸及這樣的長尾，一些總量少但利潤高的領域，人力覆蓋很不划算，這時候人工智慧係統就有很強的優勢。

基本上可以看到，人工智慧在金融領域有著越來越多的應用。它也能夠從簡單的數據和計算輔助者，變成能學習規則、發現套利機會、模仿專家行為的系統，而且還能在長尾市場獲取高額利潤。